推荐系统通过预测用户对项目的喜好程度来为用户进行信息过滤，应用知识发现技术来生成个性化推荐。协同过滤是一种常用的减少信息过载的技术，已经成为了个性化推荐系统的一种主要工具，被广泛应用于电子商务网站的推荐系统。但随着系统结构、内容的复杂度和用户人数的不断增加，协同过滤技术的一些缺点逐渐暴露出来，主要有精确性、数据稀疏性、冷启动、可扩展性和安全性问题。 协同过滤算法主要分为基于内存的协同过滤和基于模型的协同过滤两类，这两类算法的典型代表分别为最近邻协同过滤算法和基于奇异值分解的算法，前者因其简单适用而被广泛应用于电子商务推荐系统，却通常因数据的极度稀疏性和相似度度量方法的弊端导致算法的精度下降。后者则通过矩阵奇异值分解的降维技术一定程度解决了数据稀疏性问题，然而目前国内对该算法的安全性研究较少。本文将分别以上述两种算法为载体，研究算法的数据稀疏性问题和安全性问题。 为解决协同过滤算法中数据稀疏性问题和传统相似度度量方法的弊端，本文研究了最近邻协同过滤算法在不同的稀疏性问题解决方案下各相似度方法的优化对算法性能的影响。通过实验对现有的各种常用相似度进行了基于用户评分项目并集和基于相关加权因子的优化，分别确定了基于稀疏评分矩阵、缺省评分矩阵和奇异值分解(SVD)预测评分矩阵的最近邻算法中的最优相似度方法，有效地提高了各情况下算法的推荐精度。 为解决协同过滤推荐系统遭受的欺诈攻击带来的安全性问题，本文研究了典型的基于奇异值分解的协同过滤算法的抵御攻击的能力，通过设计不同规模和攻击意图的攻击测试，以平均绝对偏差、平均预测偏移及平均命中率偏差这三种评估参数分析了不同填充规模和攻击规模的攻击用户概貌对攻击效果的影响，同时研究了不同攻击类型的攻击效果差异。